基于引导式子领域自适应的滚动轴承故障诊断系统及方法技术方案

本发明专利技术提出一种基于引导式子领域自适应的滚动轴承故障诊断系统及方法，属于轴承故障信号跨域智能故障诊断技术，系统包括：信号预处理模块、前馈特征提取网络模块和子领域自适应模块；本发明专利技术将源域和目标域数据集进行预处理后输入至前馈特征提取网络模块，目标域中提供有每个类别故障下的1个以上的有标签向导样本；提取源域和目标域数据集的信号特征；通过局部最大平均差异测量源域和目标域向导样本相关子领域间的局部分布差异，并最小化源域和目标域无标签样本间的局部分布差异，完成对目标域无标签样本的标签预测。本发明专利技术能够通过最小化不同型号轴承故障信号间的子领域差异，实现不同型号轴承数据集间的跨域故障诊断。现不同型号轴承数据集间的跨域故障诊断。现不同型号轴承数据集间的跨域故障诊断。

【技术实现步骤摘要】
基于引导式子领域自适应的滚动轴承故障诊断系统及方法


[0001]本专利技术涉及轴承故障信号跨域智能故障诊断技术，尤其涉及一种基于引导式子领域自适应的滚动轴承故障诊断系统及方法。

技术介绍

[0002]轴承作为旋转型机械中必不可少的零件之一，一旦发生故障将对机械正常运行造成严重威胁。合理分析轴承振动信号，对提前预警机械故障、减少机器维护成本有重要意义。随着人工智能技术的不断发展，越来越多学者使用智能网络对滚动轴承故障类型进行分类。智能故障诊断技术的成熟与深度学习的发展密切相关。深度学习网络强大的特征学习能力使故障诊断不再依靠大量的专业知识。信号处理技术和模式识别技术结合成为当今主流的故障诊断方法。
[0003]然而，训练深度学习网络需要提供大量标签数据。收集适用的轴承故障数据需要花费大量时间和机器维修费用，且存在安全风险。在实际轴承发生故障问题时，多数机械设备都无法提前收集充足的信号数据。仅有少量可用数据时，利用数据量充足的滚动轴承数据集(即源域)训练模型，对未知标签的目标信号(即目标域)进行预测，是应对轴承振动信号稀缺的有效方法。但在不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，包括：信号预处理模块，用于将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，并输入至前馈特征提取网络模块，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；前馈特征提取网络，用于提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；子领域自适应模块，用于通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测。2.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，采用重叠采样和随机重复采样对源域和目标域数据集进行数据扩增处理。3.根据权利要求2所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，采用重叠采样和随机重复采样得到源域和目标域每个类别故障下的等量一维样本，每个一维样本包含对应个数的采样点。4.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，将所述一维样本经连续小波变换转换为时频域图谱。5.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述前馈特征提取网络模块为ResNet18、VGG
‑
Net、AlexNet或CNN
‑
LSTM。6.根据权利要求1
‑
5任意一项所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述系统组成的网络共训练50～100个批次，分两步实现子领域自适应：第一步的若干批次将源域样本和带标签的目标域向导样本代入局部最大平均差异，并计算其无偏估计，通过若干批次训练，最小化源域样本和带标签的目标域向导样本的分布差异实现子领域自适应；第二步的剩余若干批次，将源域样本和目标域无标签样本代入局部最大平均差异，计算其无偏估计，通过若干批次训练，最小化源域样本和目标域无标签样本的分布差异实现子领域自适应。7.基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，利用权利要求1至6任一权利要求所述的系统按照以下步骤进行：步骤1、将源域和目标域数据集进行数据扩增处...

【专利技术属性】
技术研发人员：胡若晖，张敏，许文鑫，程文明，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：